Введение

Инженерно-геологические и геотехнические изыскания традиционно оперируют разнородными и пространственно неполными данными: результатами полевых испытаний, лабораторных определений, геофизических наблюдений и архивных материалов. Переход отрасли к информационному моделированию и формированию цифровых инженерно-геологической (ЦИГМ) и цифровой геотехнической (ЦГМ) моделей объективно повышает требования к методам обобщения, интерполяции и прогнозирования свойств грунтового массива [1, 2]. В этих условиях методы искусственного интеллекта (ИИ) и, в частности, машинного обучения (МО) рассматриваются как средство извлечения устойчивых зависимостей из накопленных массивов данных и как инструмент снижения трудоёмкости их обработки.

За последние годы число публикаций по применению ИИ в геотехнике возросло практически по всем разделам механики грунтов, фундаментостроения, механики скальных пород и геоэкологии [3, 7, 9]. Систематический обзор и метаанализ, охватывающий искусственные нейронные сети, «классическое» машинное обучение, глубокое обучение и ансамблевые методы, показывает устойчивый рост как числа работ, так и достигаемой точности прогнозных моделей, при этом ансамблевые методы в большинстве задач превосходят одиночные модели [3]. Вместе с тем практическое внедрение сдерживается ограниченной интерпретируемостью моделей, зависимостью от качества обучающих выборок и отсутствием устоявшихся процедур валидации, согласованных с действующей нормативной базой.

Цель настоящей работы – систематизировать основные направления применения ИИ в геотехнике, сопоставить достигаемые показатели точности с традиционными подходами и обозначить ограничения, критически важные для внедрения этих методов в практику изысканий и проектирования в Российской Федерации. Изложение построено по четырём тематическим направлениям: обработка данных изысканий и построение цифровых моделей; геотехнические расчёты; физически-обоснованное машинное обучение; ограничения и нормативные аспекты.

1. Направления применения и классификация методов

Методы ИИ, используемые в геотехнике, удобно разделить на несколько классов по характеру решаемой задачи. Регрессионные и «мелкие» модели (множественная регрессия, метод опорных векторов, метод ближайших соседей, деревья решений) применяются для оценки физико-механических характеристик и прогноза интегральных показателей поведения основания. Ансамблевые методы (случайный лес, градиентный бустинг и его реализации XGBoost, LightGBM) обеспечивают повышенную устойчивость прогноза и позволяют ранжировать значимость входных признаков. Искусственные нейронные сети различной архитектуры используются там, где связи между переменными существенно нелинейны или где данные имеют последовательную (профильную) структуру. Отдельные классы образуют геостатистические методы, ориентированные на пространственную интерполяцию и оценку неопределённости, и физически-обоснованное машинное обучение, интегрирующее уравнения механики в структуру модели. Обобщённое соответствие классов методов и типичных задач приведено в таблице 1.

Таблица 1. Классы методов ИИ и типичные задачи в геотехнике

Приведённая классификация условна: в прикладных исследованиях методы часто комбинируются, а выбор алгоритма определяется объёмом и качеством доступных данных. Важно, что переход от простых регрессионных моделей к глубоким нейронным сетям не является самоцелью – при малых выборках, характерных для локальных изысканий, более сложные модели склонны к переобучению, и преимущество нередко остаётся за ансамблевыми методами [3, 12].

2. Искусственный интеллект в изысканиях и построении цифровых моделей

2.1. Классификация грунтов и обработка данных зондирования

Статическое зондирование (методы CPT, CPTu, SCPT) даёт непрерывные по глубине профили лобового сопротивления qс, сопротивления по муфте трения fs и порового давления u2, что делает эти данные удобным объектом для алгоритмов классификации. Традиционные интерпретационные схемы (номограммы типа Робертсона [15, 17]) опираются на фиксированные границы в пространстве нормализованных параметров; методы машинного обучения позволяют выявлять эти границы непосредственно из размеченных данных. По результатам сопоставления пяти алгоритмов на данных CPT наибольшую точность классификации грунтов показал случайный лес (Random Forest) с F1-мерой около 0,90, превзойдя градиентный бустинг, метод ближайших соседей, метод опорных векторов и логистическую регрессию [4].

Практическая ценность таких моделей состоит в автоматизации первичной интерпретации протяжённых массивов зондирования и в снижении субъективности при выделении инженерно-геологических элементов. Вместе с тем перенос обученной модели на другую площадку требует осторожности: статистические зависимости, установленные для одних генетических типов отложений, не гарантированно воспроизводятся в иных условиях, что делает необходимой повторную настройку и контроль по эталонным скважинам.

2.2. Пространственная интерполяция и построение ЦИГМ/ЦГМ

Построение цифровых инженерно-геологической и геотехнической моделей по своей сути является задачей пространственной интерполяции разрозненных наблюдений. Классические детерминированные (обратно взвешенных расстояний – IDW) и геостатистические (кригинг) методы дополняются и частично вытесняются подходами машинного обучения, а также гибридными схемами, в которых регрессионная модель прогнозирует тренд, а остатки интерполируются кригингом [13]. Преимущество методов на основе случайных полей и гауссовских процессов состоит в том, что наряду с оценкой свойства они дают и оценку его неопределённости, что принципиально важно для последующего вероятностного анализа.

Отдельное направление – трёхмерная реконструкция геологического строения по ограниченному числу скважин с привлечением априорных геологических представлений и алгоритмов агрегирования по окрестности [8, 13]. Подобные методы позволяют строить непротиворечивые границы слоёв в условиях разреженной сети выработок, однако результат остаётся модельной гипотезой, чувствительной к плотности и расположению исходных данных. Интеграция таких моделей в среду информационного моделирования через формат обмена IFC (IFC4, IFC4.3) обеспечивает передачу цифровой модели грунтового массива в общую BIM-среду проекта; здесь ИИ выступает средством наполнения модели, тогда как её структура и семантика задаются стандартами обмена.

Таблица 2. Приведённые показатели точности по отдельным задачам

^{*Показатели приведены по данным соответствующих источников для конкретных выборок и не являются универсальными}

3. Искусственный интеллект в геотехнических расчётах

3.1. Прогноз несущей способности свай

Определение несущей способности свай по СП 24.13330 [20] выполняется по нормируемым методикам, опирающимся на расчётные сопротивления грунта под нижним концом и по боковой поверхности сваи. Модели машинного обучения рассматриваются в литературе как дополнительный инструмент прогноза, обучаемый на результатах статических и динамических испытаний свай. По данным сопоставления пяти нейросетевых архитектур на выборке из 257 испытаний наилучший результат показала глубокая нейронная сеть с коэффициентом детерминации R^² около 0,90 на контрольной выборке, тогда как рекуррентные архитектуры уступали ей по точности [5]. Такие модели способны воспроизводить нелинейные зависимости «параметры сваи и грунта – несущая способность», однако их прогноз обоснован лишь в пределах диапазона обучающих данных.

Принципиальным является то, что нормативный расчёт по СП 24.13330 остаётся обязательной процедурой, а прогноз по модели ИИ может использоваться для предварительной оценки, выявления аномалий и планирования программы испытаний. Замена нормируемой методики статистической моделью в проектной документации не допускается без соответствующего обоснования и подтверждения натурными испытаниями.

3.2. Прогноз осадок и суррогатное моделирование

Расчёт осадок оснований методом послойного суммирования по СП 22.13330 [19] требует задания модулей деформации E по слоям и корректного определения сжимаемой толщи. Модели машинного обучения применяются, во-первых, для прогноза самой осадки по совокупности характеристик основания и нагрузки, и, во-вторых, как суррогатные модели, аппроксимирующие результаты численного (конечно-элементного) анализа с целью многократного ускорения расчётов при вариантном проектировании и вероятностной оценке [7, 10]. Суррогатные модели особенно эффективны в задачах, где прямой расчёт методом конечных элементов вычислительно затратен, а требуется массовое повторение расчёта – например, при анализе чувствительности или методом Монте-Карло.

Обратный анализ (идентификация параметров грунтовой модели по данным мониторинга) также относится к перспективным приложениям: модель ИИ или физически-обоснованная нейронная сеть подбирает параметры определяющего соотношения так, чтобы расчётный отклик соответствовал наблюдаемому [10, 11]. Это направление сближает статистические методы с классической механикой грунтов и снижает риск получения физически несостоятельных результатов.

4. Физически-обоснованное машинное обучение

4.1. Общие принципы и определяющие соотношения

Ключевое ограничение «чисто статистических» моделей – отсутствие в них физических законов, что приводит к неустойчивому поведению при экстраполяции и к возможному нарушению фундаментальных принципов (например, термодинамической согласованности). Ответом на это стало физически-обоснованное машинное обучение и, в частности, физически-обоснованные нейронные сети (PINN), в которых уравнения равновесия, совместности деформаций и определяющие соотношения входят непосредственно в функцию потерь при обучении [10, 11].

В геотехнике это направление развивается по нескольким линиям: построение определяющих соотношений (моделей) грунтов, обучаемых на экспериментальных данных с соблюдением условий термодинамической согласованности; решение краевых задач (например, оценка нагрузок на обделку тоннеля в упругом массиве) без построения расчётной сетки; идентификация параметров модели по результатам испытаний. Обзорные работы отмечают, что интеграция физики снижает потребность в объёме обучающих данных и повышает переносимость моделей, однако устойчивое обучение PINN на существенно нелинейных, пластических и историезависимых моделях грунта остаётся методически сложной задачей [10, 11].

Для практики изысканий значимость этого направления состоит в том, что физически-обоснованные модели потенциально более пригодны для включения в нормируемые расчётные процедуры: их результаты не противоречат механике грунтов по построению, что облегчает верификацию и повышает доверие к прогнозу.

4.2. Физически-обоснованные корреляции параметров грунтов по данным статического зондирования

Отдельного рассмотрения заслуживает применение физически-обоснованного подхода к разработке корреляционных зависимостей, связывающих параметры статического зондирования q_с, f_s, u₂ с физико-механическими характеристиками грунтов γ, E, φ, c. Здесь необходимо терминологическое уточнение: вывод точечных корреляций по своей природе является задачей регрессии, а не решения дифференциального уравнения, поэтому строгий формализм PINN применим к ней лишь частично. Продуктивнее рассматривать физически-обоснованное обучение в широком смысле, встраивая в регрессионную модель механические соотношения и ограничения, тогда как собственно PINN сохраняет роль для задач с дифференциальной физикой, рассмотренных ниже.

Наиболее действенным способом введения физики служит переход от исходных измерений к параметрам, нормированным по эффективному вертикальному напряжению, что отражает теорию эффективных напряжений [15, 17]. Используются скорректированное лобовое сопротивление, нормированное сопротивление, нормированный коэффициент трения и параметр порового давления:

q_t = q_c + u₂ (1 − a);

Q_tn = (q_t − σ_v0) / σ′_v0 · (p_a / σ′_v0)ⁿ;

F_r = f_s / (q_t − σ_v0) · 100 %; B_q = (u₂ − u₀) / (q_t − σ_v0).

где σ_v0 и σ′_v0 – полное и эффективное вертикальные напряжения; u₀ – гидростатическое поровое давление; p_а – атмосферное давление; a – коэффициент площади конуса; n – показатель степени, зависящий от типа грунта.

Данная нормировка сама по себе является встроенной физикой и, как правило, даёт больший прирост качества модели, чем усложнение её архитектуры.

Физические знания вводятся в модель несколькими согласованными приёмами: обучением поправки к якорной полуэмпирической зависимости (схема «серого ящика», при которой прогноз представляется суммой механического базиса и обучаемой невязки); наложением мягких ограничений-штрафов на монотонность и физические границы искомых величин; обеспечением взаимной согласованности откликов по q_с, f_s, u₂. Соответствующая функция потерь принимает вид

L = L_данные + λ₁L_физ + λ₂L_мон + λ₃L_гр,

в котором слагаемое Lданные отвечает за соответствие эмпирическим данным, а остальные члены с весами λ штрафуют нарушение физических соотношений, монотонности и границ.

В качестве якорных зависимостей выступают, например, соотношение угла внутреннего трения с нормированным сопротивлением [16] и оценка недренированной прочности с_u = (q_t – σ_v0) / N_kt, где N_kt – эмпирический коэффициент.

Существенно корректно оценивать роль объёма данных. Наличие сотен отсчётов q_с в пределах инженерно-геологического элемента не эквивалентно наличию такого же числа независимых наблюдений: вертикальный профиль зондирования сильно автокоррелирован, и эффективное число независимых значений определяется масштабом флуктуаций (вертикальной длиной корреляции), а не количеством отсчётов. Пренебрежение этим обстоятельством ведёт к завышению объёма выборки и занижению неопределённости оценок, поэтому перекрёстную проверку модели следует организовывать поблочно – по скважинам и площадкам, а не случайным разбиением. Кроме того, корреляция требует парных данных: наряду с профилем зондирования необходимы прямые определения искомых характеристик, число которых, как правило, на порядки меньше числа отсчётов зондирования. Тем самым задача относится к режиму «много признаков – мало размеченных целей», в котором физически-обоснованные методы наиболее эффективны, поскольку физика компенсирует дефицит эталонных данных и повышает переносимость модели между слоями и объектами [10, 11].

Собственно, PINN с дифференциальной физикой оправдан в двух задачах, сопутствующих зондированию. Первая – интерпретация испытаний на рассеивание порового давления при остановке зонда (CPTu): процесс описывается уравнением консолидации, что позволяет средствами PINN выполнять обратную идентификацию коэффициента консолидации по кривой диссипации u₂(t) [18]. Вторая – использование решений теории расширения полости для совместного определения угла внутреннего трения и индекса жёсткости из q_c и u₂. В обоих случаях в модель входит именно уравнение, и применение PINN методологически обосновано.

Практическая пригодность корреляционной модели определяется не только точностью, но и корректной оценкой неопределённости. Модель должна давать распределение искомой величины (байесовская постановка, ансамблевые методы или гауссовский процесс с физическим средним), а не только точечный прогноз. Полученные распределения характеристик с их коэффициентами вариации Cov переводятся в нормативные характеристические и расчётные значения по статистическому аппарату ГОСТ 20522 2] и затем используются в расчётах – осадок методом послойного суммирования по СП 22.13330 и несущей способности свай по СП 24.13330. При этом корреляционная модель остаётся инструментом поддержки: её результаты подлежат сверке с прямыми определениями по эталонным скважинам и не заменяют их.

5. Ограничения и нормативные аспекты внедрения

Несмотря на обширный массив публикаций, внедрение ИИ в практику изысканий сдерживается рядом объективных ограничений. Первое и наиболее существенное – качество и репрезентативность обучающих данных. Геотехнические выборки, как правило, невелики, пространственно неоднородны и отягощены систематическими погрешностями полевых и лабораторных определений; при этом коэффициент вариации (Cov) характеристик грунта в пределах одного инженерно-геологического элемента может быть значительным. Модели, обученные на таких данных, наследуют их смещения, а показатели точности, полученные на конкретной выборке, не переносятся автоматически на иные условия [3, 12].

Второе ограничение – интерпретируемость. «Чёрный ящик» нейросетевой модели затрудняет инженерную и экспертную проверку результата, что критично в задачах, связанных с безопасностью сооружений. Развитие методов объяснимого ИИ (в частности, анализа вкладов признаков) частично снимает проблему, но не устраняет её полностью. Третье – экстраполяция: статистические модели надёжны лишь в пределах области обучения, тогда как проектные ситуации нередко выходят за её границы. Четвёртое – отсутствие устоявшихся процедур верификации и валидации, согласованных с системой нормативных документов.

Применительно к нормативной базе Российской Федерации методы ИИ на текущем этапе следует рассматривать как инструмент поддержки принятия решений, а не как замену нормируемых процедур. Расчёт осадок методом послойного суммирования по СП 22.13330 и определение несущей способности свай по СП 24.13330 остаются обязательными; результаты, полученные средствами ИИ, требуют сопоставления с этими методиками и подтверждения натурными данными. Наиболее оправданными областями применения представляются автоматизация первичной обработки данных изысканий, поддержка построения ЦИГМ/ЦГМ, предварительная оценка и выявление аномалий, а также ускорение вариантных расчётов через суррогатное моделирование. При этом организационно-методическое закрепление таких процедур целесообразно оформлять на уровне стандартов организации с чётким описанием исходных данных, области применимости модели и порядка её валидации.

Заключение

Применение методов искусственного интеллекта в геотехнике на текущем этапе прошло путь от единичных нейросетевых моделей до систематически исследуемого инструментария, охватывающего обработку данных изысканий, построение цифровых моделей грунтового массива, прогноз механических характеристик, несущей способности и осадок, а также физически-обоснованное моделирование. Количественные показатели, приводимые в рецензируемых источниках, свидетельствуют о высокой точности моделей на конкретных выборках, однако их обобщаемость ограничена качеством и объёмом обучающих данных.

Обоснованным представляется вывод о том, что ИИ следует внедрять как средство поддержки, дополняющее, но не заменяющее нормируемые расчётные процедуры. Приоритетными направлениями дальнейшей работы являются накопление верифицированных геотехнических данных, развитие физически-обоснованных моделей, обеспечивающих согласованность с механикой грунтов, и разработка процедур валидации, совместимых с действующей нормативной базой. Реализация этих условий позволит перейти от демонстрационных исследований к устойчивому практическому использованию ИИ в инженерно-геологических и геотехнических изысканиях.